在做数据处理的时候经常会用到numpy和pandas，有时候容易搞混，这篇文章就从功能方面总结对比一下二者的区别。

一、简介

numpy：numpy是以矩阵为基础的数学计算模块，提供高性能的矩阵运算，数组结构为ndarray。可以把它看作是多维数组（ndarray）的容器，可以对数组执行元素级计算以及直接对数组执行数学运算的函数。其也是用于读写硬盘上基于数组的数据集的工具。数据处理速度比Python自身的嵌套列表要快很多。ndarray中所有元素必须是相同类型。

pandas：pandas是基于numpy数组构建的，但二者最大的不同是pandas是专门为处理表格和混杂数据设计的，比较契合统计分析中的表结构，而numpy更适合处理统一的数值数组数据。pandas数组结构有一维Series和二维DataFrame。

二、创建数据

1.数据结构

在开始创建数据之前，再说明一下两种方法创建的数据结构形式

numpy：是通用的同构数据多维容器，其中的所有元素必须是相同类型的

 pandas：一维数据结构为series，多维是dataframe

 其中：

Series是一种类似于一维数组的对象，它由一组数据（各种NumPy数据类型）以及一组与之相关的数据标签（即索引）组成，索引在左边，值在右边。

 DataFrame是一个表格型的数据结构，既有行索引（index）也有列索引（columns），它可以被看做由Series组成的字典（共用同一个索引）。

每列可以是不同的值类型（数值、字符串、布尔值等）。

下面对比一下两者创建数据的方式。

（由于输出比较长，部分地方就只放了代码，没有放运行结果哈）

2. 一维数据创建（numpy和pandas对比）

#列表转化
list1 = [1, 2, 3, 4]
arr1 = np.array(list1)
s1 = pd.Series(list1)

## 直接创建
arr2 = np.array([1, 2, 3, 4]) 
s2 = pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])

输出格式为

#创建连续数值数组
arr3 = np.arange(5)
s3 = pd.Series(np.arange(5))
s3_1 = pd.Series(range(5))  #输出与s3相同

#创建全为0的数组
arr4 = np.zeros(5)
s4 = pd.Series(0 ,index = ['a','b','c','d'])
s4_1 = pd.Series(np.zeros(5))  

#创建随机数数组
arr5 = np.random.rand(5)
arr_1 = np.random.random_sample(size=5)
s5 = pd.Series(np.random.rand(5))

3.多维创建

arr1 =np.array([[1, 2, 3, 4], 
            [5, 6, 7, 8]])
s0 = pd.DataFrame([[1, 2, 3, 4], 
            [5, 6, 7, 8]])
s1 = pd.DataFrame(np.arange(16).reshape((4, 4)))

输出

#创建全为0的数组和矩阵
arr2 = np.zeros((3,6))
s2 = pd.DataFrame(0,index = range(3), columns=range(6))

#创建单位矩阵
arr3 = np.eye(4) #单位矩阵
s3 = pd.DataFrame(np.eye(4))

#随机数矩阵
arr4 = np.random.randn(4,5)
s4 = pd.DataFrame(np.random.randn(4,5))

4.pandas的更多创建方式

我们日常使用numpy中一般用来创建数值型数组（其他类型用的比较少），pandas则可以用来创建多种数据类型

li = [1,'a','d',True]
s1 = pd.Series(li)

输出：

 我们经常用字典的方式来创建series和dataframe

#用字典创建series
data = {'a': 1, 'b': 2, 'c': 3, 'd': 4, 'e': 5}
s2 = pd.Series(data)

#外层字典的键作为列索引，dataframe自动加上行索引
data = {'one': [0, 1],
        'two': [2, 3]}
s3 = pd.DataFrame(data)

#对于嵌套字典，外层字典作为列索引，内层键作为行索引
data = {'one': {'a':0, 'b':1},
        'two': {'a':2, 'b':3}}
s4 = pd.DataFrame(data)

 

 还可以自定义列和索引，并且依据索引对改变数据顺序

#自定义列和索引标签
s4 = pd.DataFrame(data, columns=['one', 'two', 'three', 'four'])

s5 = pd.DataFrame(data, columns=['three', 'two', 'one', 'four'])

 5.对象常用属性

（1）ndarray

• data. shape 数组的形状
• data.ndim 维度的数量
• data.size  数组的总大小
• data.dtype 数组中的数据类型（int8, uint8, float32, complex64, bool, object, string.
• data.astype 数据类型转换

（2）Series

• obj.values 获取数组的值
• obj.index 获取数组的索引对象
• obj.name 获取数组的名称
• obj.index.name 获取索引的名称

（3） DateFrame

• frame.index 获取表格的行索引
• frame.columns 获取表格的列索引
• frame.values 获取表格中的数据
• frame.col_name 获取指定列的数据
• frame.index.name 获取索引的名称
• frame.columns.name 获取列的名称

三、索引和切片

1.一维对象（numpy与series）的基础操作

arr = np.arange(6)
print(arr)
print(arr[2])
print(arr[3:5])
print(arr[[2,4,5]])  #花式索引
#赋值
arr[3:5]=6
print(arr)

ser = pd.Series(np.arange(0,6),index=list('abcdef'))
print(ser)
print(ser[0])
print(ser[0:2])
print(ser[[0,2,4]])  #花式索引
ser[0:2] = 5   
print(ser)

2.多维numpy

（1）数值索引

#1.数值索引
arr1 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr1)
print(arr1[2])
print(arr1[0][2])
print(arr1[0,2])  #与上面等价 表示根据索引取单个元素
print(arr1[:2,1:])
print(arr1[1:2,:2])
print(arr1[:,:1])  

 （2）花式索引

#花式索引——利用用于指定顺序的整数列表或ndarray进行索引
arr2 = np.random.rand(3,4)
print(arr2)
print(arr2[[0,2]])  #选择index=0行和index=2行
print(arr2[[0,2],[1,3]])  #选择arr2[0,1]和arr2[2,3]

 （3）布尔索引

#布尔索引
names = np.array(['Bob', 'Joe', 'Bob', 'Will', 'Joe'])
print(names == 'Bob')
data = np.random.randn(5,5)
print(data)
print(data[names == 'Bob'])  #按行
print(data[:,names == 'Bob'])  #按列
print(data[names == 'Bob',:2])  #按行
print(data[(names == 'Bob') | (names == 'Joe')])

 3.pandas的索引方式

df = pd.DataFrame(np.arange(16).reshape((4, 4)),
                    index=list('abcd'),
                    columns=['one', 'two', 'three', 'four'])
df

（1）列索引 

#索引列
print(df['one'])
print(df.two)
print(df[['one','two']])

 （2）位置索引和标签索引

对于DataFrame的行索引，可以通过位置或标签的方式进行获取，使用特殊的标签运算符位置索引（iloc）或标签索引（loc），从DataFrame选择行和列的子集。

print(df.loc['a':'b',['one','three']])
print(df.iloc[0:2,[1,3]])

 （3）布尔索引

# 布尔索引
#DataFrame的布尔索引可以从整个表或者某个列进行
print(df<10)
print(df[df<10])#整个表
print(df.two<9)
print(df[df.two<9])  #某列

 （4）列赋值

#当某个值赋给某个列时，会把这个值传播到所有列中
df['one'] = [2,6,7,8]
df['five'] = 6
df

#也可以将某个series精确匹配到dataframe索引进行赋值
ser = pd.Series(np.arange(3, 7), index=list('abce'))
print(ser)
df['five'] = ser
df

 四、排序

1. numpy排序

（1）numpy.sort()

函数返回输入数组的排序副本。函数格式如下：

numpy.sort(a, axis, kind, order)

• a: 要排序的数组
• axis: 沿着它排序数组的轴，如果没有数组会被展开，沿着最后的轴排序， axis=0 按列排序，axis=1 按行排序
• kind: 默认为'quicksort'（快速排序）
• order: 如果数组包含字段，则是要排序的字段

（2） numpy.argsort()

numpy.argsort(a, axis=-1, kind=’quicksort’, order=None)

功能: 将矩阵a按照axis排序，并返回排序后的下标
参数: a:输入矩阵， axis:需要排序的维度

arr = np.array([[4,7,2], [9,5,2], [7,8,9]])
print(arr)
print(np.sort(arr,0))  
print(np.sort(arr,axis = 1))

#numpy.argsort() 函数返回的是数组值从小到大的索引值。
print(np.argsort(arr))
print(np.argsort(arr,1)) #与上面一样,每一行进行排序
print(np.argsort(arr,0))  #每一列进行排序

2.pandas排序

（1） sort_index 索引排序

DataFrame.sort_index(by=None,
axis=0, level=None, 
ascending=True, 
inplace=False, 
kind='quicksort', 
na_position='last', 
sort_remaining=True)

• by：按照某一列或几列数据进行排序，但是by参数貌似不建议使用

• axis：0按照行名排序；1按照列名排序

• level：默认None，否则按照给定的level顺序排列---貌似并不是，文档

• ascending：默认True升序排列；False降序排列

• inplace：默认False，否则排序之后的数据直接替换原来的数据框

• kind：排序方法，{‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。似乎不用太关心。

• na_position：缺失值默认排在最后{"first","last"}

s1 = pd.Series([4,1,2,3],index=['d','a','c','b'])
print(s1)

print(s1.sort_index())
print(s1.sort_index(ascending=False))  #对Series的索引进行降序排序，使用ascending=False参数

 

data1 = pd.DataFrame( np.arange(9).reshape(3,3),
                 index   = ["0","2","1"],
                 columns = ["col_a","col_c","col_b"])
print(data1)
print(data1.sort_index())
print(data1.sort_index(axis=0)) #按行索引升序排序
print(data1.sort_index(axis=1))  #按列索引升序排序

（2）sort_values 值引排序

DataFrame.sort_values(
by, 
axis=0, 
ascending=True, 
inplace=False,
kind='quicksort', 
na_position='last')

参 数：

• by：字符串或者List<字符串>；如果axis=0，那么by="列名"；如果axis=1，那么by="行名"。

• axis：{0 or ‘index’, 1 or ‘columns’}, default 0，默认按照列排序，即纵向排序；如果为1，则是横向排序。

• ascending：布尔型，True则升序，如果by=['列名1','列名2']，则该参数可以是[True, False]，即第一字段升序，第二个降序。

• inplace：布尔型，是否用排序后的数据框替换现有的数据框。

• kind：排序方法，{‘quicksort’, ‘mergesort’, ‘heapsort’}, default ‘quicksort’。似乎不用太关心。

• na_position：{‘first’, ‘last’}, default ‘last’，默认缺失值排在最后面。

s2 = pd.Series([4,1,2,3],index=['d','a','c','b'])
print(s2)
print(s2.sort_values())
print(s2.sort_values(ascending=False))

data2 =pd.DataFrame([[2,3,12],[6,2,8],[9,5,7]], 
                 index=["0", "2", "1"], 
                 columns=["col_a", "col_c", "col_b"])
print(data2)
print(data2.sort_values(by='col_c'))  #按指定列的值大小顺序进行排序
print(data2.sort_values(by=['col_b','col_a']))  #按列进行排序
print(data2.sort_values(by=['col_b','col_a'],axis=0,ascending=[False,True]))   #先按col_b列升序，再按col_a列降序排序
print(data2.sort_values(by='2',axis=1))  #按行升序排列
print(data2.sort_values(by=['2','0'],axis=1))  #按 2行 升序，0行降排列

 五、运算

1.标量运算

数组与标量的算术运算会将标量值传播到各个元素

不同大小的数组之间的算术运算的执行方式叫做广播（broadcasting）

广播中较小数组的‘广播维’必须为1， 广播会在缺失和（或）长度为1的维度上进行。较小的数组会在较大的数组上沿着该维度广播，并在经过的地方做相应的算术运算。最简单的广播就是标量值跟数组合并的运算。

（1）numpy

#numpy
arr = np.array([[1., 2., 3.],[4., 5., 6.]])
print(arr)
print(arr+1)
print(np.add(arr,1))

print(1/arr)
print(np.divide(1,arr))

print(arr**0.5)
print(np.power(arr, 0.5))

arr2 = np.array([[0., 4., 1.],[7., 2., 12.]])

#数组和标量之间的比较会生成布尔值数组
print(arr > 5)

 （2）series

#series
ser = pd.Series(np.arange(1,6), index = list('abcde'))
print(ser)
print(ser*2)
print(np.multiply(ser,2))  #series基于numpy数组进行计算，我们可以直接使用np的运算方法
print(ser/2)
print(ser > 3)

 （3）dataframe

# Dataframe
df = pd.DataFrame(np.arange(9.).reshape((3,3)),
                 index = list('abc'),
                 columns = ['one','two','three'])
print(df)
print(df + 1)
print(np.add(df, 1))  #dataframe基于numpy数组进行计算，我们可以直接使用np的运算方法
print(df ** 2)
print((df > 2) & (df < 6))

2.向量运算

（1）numpy

# numpy
arr1 = np.array([[1., 2., 3.],[4., 5., 6.]])
arr2 = np.array([[0., 4., 1.],[7., 2., 12.]])

print(arr1 + arr2)
print(np.add(arr1, arr2))

print(arr1 * arr2)

arr1 > arr2

（2）series

# series
ser1 = pd.Series(np.arange(1, 6))
ser2 = pd.Series(np.arange(2, 7))
print(ser1 * ser2)

 

# 根据运算的索引标签自动对齐数据，对不同索引的对象进行算术运算。
ser1 = pd.Series(np.arange(1, 6), index = list('abcde'))
ser2 = pd.Series(np.arange(2, 6), index = list('bcef'))

print(ser1 + ser2)
ser1 > ser2  # 会报错

（3）dataframe

df = pd.DataFrame(np.arange(9.).reshape((3,3)),
                 index = list('abc'),
                 columns = ['one','two','three'])
print(df)
#当从DataFrame减去相同索引的Series（df.iloc[0]），每一行都会执行这个操作。这就叫做广播（broadcasting）
ser = df.iloc[0]
print(ser)
print(df-ser)

#如果希望匹配行且在列上广播，则必须使用DataFrame的算术运算方法。
#传入的轴号就是希望匹配的轴，行索引（axis=‘index’ or axis=0）或列索引（axis=‘column’ or axis=1）。
ser2 = df.iloc[:,1]
print(ser2)
df.sub(ser2, axis = 'index')

#如果某个索引值在DataFrame的列或Series的索引中找不到，则参与运算的两个对象就会被重新索引以形成并集
ser3 = pd.Series(range(3), index = ['one', 'two','four'])
print(df - ser3)

 

 3.函数运算

（1）通用函数

通用函数（ufunc): 一种对ndarray中的数据执行元素级运算的函数。对pandas中的Series和DataFrame也适用。

一元ufunc： abs, sqrt, square, exp, log, sign, isnan, ceil, floor, rint, modf, isfinit, isinf, cos, cosh, sin, sinh, tan, tanh,....

用法：np.abs(arr)

二元ufunc：add, substract, multiply, divide, floor_divide, power, maximum, minimum, mod, copysign, greater, greater_equal, less, less_equal, equal, not_equal, logical_and, logical_or

用法：np.add(arr1, arr2) 

（2）numpy

ndarray对象的基本数学和统计方法函数

sum, mean, std, var, min, max, argmin, argmax, cumsum, cumprod

arr = np.random.randn(3,4)
print(arr)
print(arr.mean())
print(arr.sum())
print(arr.mean(axis = 1))
print(arr.sum(axis = 0))

（3）pandas 

pandas对象拥有的数学和统计方法:count, describe, min, max, argmin, argmax, idxmin, idxmax, quantile, sum, mean, median, mad, var, std, skew, kurt, cumsum, cummin, cummax, cumprod, diff, pct_change

#顺便对比一下numpy
arr = np.array([[1, 2, 3, 4, 5], [6, 4, 3, 2, 1]])
print(arr)
print(arr.argmax(axis=0))
print(arr.argmax(axis=1))

ser = pd.Series([1,3,2,5,7])
print(ser)
print(ser.argmax)

df = pd.DataFrame(np.arange(9.).reshape((3,3)),
                 index = list('abc'),
                 columns = ['one','two','three'])
print(df.describe()) 
print(df.idxmax())
print(df.idxmax(axis = 1))

#将函数应用到每个元素，应用元素级函数的applymap方法进行传播
def double(x):
    return x +x

df.applymap(double)

#double = lambda x : x+x
#df.apply(double)  结果一样

#想得到DataFrame中各个浮点值的格式化字符串
f = lambda x : format(x, '.2%')
df.applymap(f)

#apply的axis参数：0或‘index’:对每一列应用函数；1或‘columns':应用函数到每一行
f = lambda x: x.max() - x.min()
df.apply(f, axis = 0)

#数据填充
#对于DataFrame对象，dropna默认丢弃任何有缺失值的行，传入how=‘all'则将只丢弃全为NA的那些行。
data = pd.DataFrame([[1., 6.5, 3.], [1., np.nan, np.nan],[np.nan, np.nan, np.nan], [np.nan, 6.5, 3.]])
print(data)
print(data.dropna())
print(data.dropna(how='all'))
print(data.fillna(0))
print(data.fillna({1:0.5, 2:-1}))  #对不同列填充不同值

 

 六、文件读取与加载

np.savetxt('test1.csv', arr, delimiter = ',')  #存储文件
np.loadtxt('test1.csv', delimiter = ',')  #加载文件

pd.read_csv('test2.csv', encoding='gbk', index_col=0)
pd.to_csv('test2.csv', encoding='gbk')

参考：Python数据分析中Numpy和Pandas对比 - 知乎

NumPy 排序、条件刷选函数 | 菜鸟教程

DataFrame(8)：DataFrame运算——基本统计函数 - math98 - 博客园